Loom Video Prompts 的巧思：把展示过程编译成 agent 能执行的计划

把一段 Loom 链接交给 AI agent，过去并不等于把画面交给了 agent。普通视频适合人观看，却未必是 agent 能处理的工作对象：链接可能只被当成一串文字，transcript 也很难解释「这里」究竟指向哪个按钮、哪一个页面状态。一篇 2026 年 7 月 16 日发布的第三方指南就指出，Cursor 和 Claude Code 不能直接观看普通 Loom 视频；即使拿到 transcript，视觉定位和任务结构仍然会丢失。该指南来自提供 Loom 替代方案的团队，因此更适合作为问题描述，而不是 Loom 产品机制的独立证明。1

Loom 在 7 月 22 日推出的 Video Prompts，正好改了接口。用户录制屏幕并边操作边说出意图，Loom 再把 transcript、关键帧、点击和悬停、访问链接整理成一份 Action Plan，交给 Rovo、Claude、Cursor，或直接转成 Jira 工作项。2

这项设计的重点不是「让 AI 看视频」，而是给视频增加一层面向 agent 的结构。Loom 把人最擅长的展示过程留在输入端，把机器需要的离散动作放到输出端。

写提示词时，用户得先把画面翻译成文字：「修改首页顶部的按钮」「参考这个页面的间距」。问题在于，文字里的「这个」和「那里」没有坐标；补一张截图，又只能说明一个瞬间，无法说明用户是如何从设计稿走到线上页面的。

Video Prompt 要求用户打开 Loom Chrome 扩展，在 Generate 选项卡里选择 Video Prompt，然后共享屏幕、讲述目标并完成一遍操作。Loom 会同时记录语音 transcript、屏幕关键帧、点击和悬停事件，以及录制期间访问过的 URL。官方示例是从 Figma 设计跳到线上网站，边浏览边解释要改什么。3

这里有个细小但重要的取舍：用户不必先知道目标元素的技术名称，也不必把页面状态写成一份说明书。用户只要在实际界面上走一遍，操作路径本身就成了上下文。对于 UI 修正、原型调整和跨页面流程，展示「我从哪里看、点了什么、想把它改成什么」往往比一段抽象描述更接近真实意图。

这也解释了为什么 Loom 没有把 Video Prompts 做成普通的语音转文字。普通 AI workflow 可以根据 transcript 生成 SOP、分步指南、PR 描述、QA 步骤或代码文档，也能把录制中的截图插入相关步骤。Video Prompts 则额外记录交互事件和访问链接，并把结果组织成给 agent 执行的 Action Plan。4

代价同样明确。用户需要真的走一遍流程，不能只在录制窗口里念一段需求；录制最长五分钟，摄像头在这种模式下会自动关闭，功能目前只在 Chrome 扩展中开放 beta，并限 Business + AI 和 Enterprise 计划。3 如果页面里有不该进入上下文的链接、弹窗或数据，用户还得在演示前先整理录制路径。Loom 捕获的正是用户展示出来的页面和访问记录，这种便利不能和随手录一段普通视频混为一谈。

如果 Loom 只是把视频、transcript 和截图打包后丢给 agent，问题并没有解决。线性视频仍然需要 agent 自己判断哪里是背景、哪里是动作、哪些话对应哪个画面。

Loom 的输出选择是 Action Plan。官方帮助文档写得很具体：每个动作通常包含简短标题和描述、对应的 transcript 引语、视觉关键帧，以及动作被讨论时的时间戳。分享页会把这些动作列出来，用户可以从这里把计划交给 agent；官方发布文还提供了直接创建 Jira work items 的路径。23

这一步改变了交接的对象。agent 接到的不是「请看完这段视频」，而是一组带来源位置的动作；人检查的也不是模型从视频里猜出了什么，而是清单里的动作是否准确、关键帧是否对应、执行范围是否过大。视频还在，但视频退到了证据层，Action Plan 才是工作层。

这种输出也让 Loom 接上了不同类型的 agent。用户可以把计划复制给 Claude 或 Cursor，也可以在有 Atlassian 管理账号和 Jira 权限时，把具体动作创建成 Jira 工作项。3 Loom 没有要求所有 agent 使用同一种内部协议，而是先把上下文整理成一个人能读、不同 agent 也能消费的中间对象。

这正是它和「视频摘要」的差别。摘要回答的是「这段视频讲了什么」，Action Plan 要回答的是「要做哪些事，每件事对应哪一段话和哪一个画面」。前者适合传播，后者才适合交接。对 AI 协作工具来说，结构不是输出格式的装饰，而是责任边界的一部分。

Loom Video Prompts 的设计巧思，可以概括成一条转换链：人用展示和口述表达意图，Loom 用交互元数据把意图定位到页面，再把线性记录编译成带关键帧、引语和时间戳的动作清单。

它没有消除人的工作。用户仍然要选择录制范围、走过正确路径、检查 Action Plan；Video Prompts 也仍处于 beta，有五分钟时长限制，且不是所有 Loom 账户都能使用。对已经写得很清楚的文字需求，这套流程未必划算；对「看着页面才能说清楚」的 UI 改动和跨工具流程，它解决的是手写提示词最费力的一步：把空间关系和操作顺序讲明白。

所以，Loom 真正新增的不是一个会看视频的 agent，而是一台把展示过程转换成可交接计划的编译器。这个中间层，才是 Video Prompts 值得拆开的地方。